tundlikkusanalüüsid

Tundlikkusanalüüsid on meetodite kogum, mille eesmärk on hinnata, kui palju mudeli väljund varieerub sisendite ebakindluse tõttu. Need on olulised, kui mudel aitab teha otsuseid, hinnata riske või kontrollida, milline sisendite ebakindlus kõige rohkem mõjutab tulemust.

Tundlikkusanalüüsid jagunevad peamiselt kaheks suureks rühmaks: lokaalne ja globaalne. Lokaalne analüüs hindab, kui palju mudeli väljund muutub, kui ühe ühiku võrra suurendatakse või vähendatakse konkreetset sisendit, teised sisendid hoitakse konstantsetena. Globaalne analüüs vaadleb kogu sisendiruumi ja arvestab, et sisendid võivad olla omavahel seotud ning nende piirväärtused võivad olla laiemad. Globaalsete meetodite hulgas on levinud Monte Carlo ja Latin Hypercube proovide põhised lähenemised ning nende tulemuste tõlgendamiseks kasutatakse nagu Sobol’i indeksid või Morris’i meetod.

Mugavaks kasutamiseks koosnevad tundlikkusanalüüsid tavaliselt järgmistest sammudest: määratletakse mudeli sisendid ja nende võimalikud vahemikud, valitakse sobiv proovide genereerimise meetod (nt Monte Carlo või Latin Hypercube), sooritatakse modelleerimisväljundite arvukad katked ning analüüsitakse tulemusi, et selgitada, millised sisendid on kõige mõjurikkamad ja millist ebakindlust need põhjustavad.

Kasutusalad hõlmavad teadus- ja insenerimudelid, riskide hindamist, ressursside optimeerimist ning poliitiliste või äriotsuste toetamist. Eelistatud on meetodid, mis annavad selge ülevaate sisendite mõju ulatusest ning mis on teostatavad olemasoleva arvutusvõimsuse ja andmetega. Piirangutena on korrelatsiooni ja sõltuvuste keerukus ning suurte mudelite kõrge arvutusliku hindadega.